ChatGPT Prompt工程实战：从基础原理到高效调优方案

1次阅读

共计 2185 个字符，预计需要花费 6 分钟才能阅读完成。

在大语言模型（LLM）时代，Prompt 工程已成为开发者与 AI 交互的核心技能。通过精心设计的 Prompt，我们可以引导模型生成更符合预期的输出，但实际使用中常遇到以下问题：

结果不可控：相同 Prompt 可能产生差异较大的回复
Token 浪费：冗长的 Prompt 导致不必要的 API 调用成本
上下文丢失：多轮对话中难以维持对话一致性
敏感内容风险：模型可能生成不符合预期的内容

这些问题直接影响开发效率和应用质量，因此需要系统化的解决方案。

推荐使用 CRISPE 框架（Context, Role, Instruction, Steps, Parameters, Examples）：

prompt = """
[Context] 你是一位资深 Python 开发顾问
[Role] 需要为初学者解释复杂概念
[Instruction] 用比喻方式说明递归函数
[Steps] 1. 给出动物繁殖的比喻 2. 对比循环实现
[Parameters] max_tokens=300, temperature=0.7
[Example] 就像俄罗斯套娃...
"""

关键技巧：

显式声明 AI 角色
使用 Markdown 分隔对话轮次
维护对话历史（建议不超过 5 轮）

messages = [{"role": "system", "content": "你是一位严谨的科技文章翻译官"},
    {"role": "user", "content": "将这段 AI 论文摘要译成中文：..."}
]

参数	典型值范围	影响效果
temperature	0.2-1.0	值越低输出越确定
top_p	0.5-1.0	控制候选词采样范围
frequency_penalty	0.0-2.0	抑制重复内容生成

import openai
from tenacity import retry, stop_after_attempt, wait_exponential

class ChatGPTClient:
    def __init__(self, api_key):
        openai.api_key = api_key
        self.session = []

    @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
    async def get_response(self, prompt, max_tokens=150):
        try:
            self.session.append({"role": "user", "content": prompt})
            response = await openai.ChatCompletion.acreate(
                model="gpt-3.5-turbo",
                messages=self.session,
                temperature=0.7,
                max_tokens=max_tokens
            )
            reply = response.choices[0].message.content
            self.session.append({"role": "assistant", "content": reply})
            return reply
        except Exception as e:
            self.session.pop()  # 移除失败的用户输入
            raise

英文：1 token ≈ 4 字符
中文：1 token ≈ 2 字符
可通过 tiktoken 库精确计算：

import tiktoken

def count_tokens(text, model="gpt-3.5-turbo"):
    encoding = tiktoken.encoding_for_model(model)
    return len(encoding.encode(text))

并发请求时设置合理超时（建议 5 -15 秒）
对实时性要求高的场景可降低 max_tokens
使用流式响应（stream=True）提升用户体验

输入输出过滤（正则表达式 + 关键词黑名单）
启用 OpenAI 的内容审核端点（/moderations）

import logging

logging.basicConfig(format='%(asctime)s - %(levelname)s - %(message)s',
    level=logging.INFO,
    handlers=[logging.FileHandler('chatgpt_audit.log'),
        logging.StreamHandler()]
)